热点事件观察中

聚类联邦学习框架提升非IID无线网络性能

1 篇报道1 个报道来源1 天前更新

先了解这件事

AI 综述

Martin Isaksson 等人提出一种面向非IID无线网络的聚类联邦学习（CFL）框架：训练中把客户端分配到专用模型，并用数据域聚类初始化基于模型的聚类，在不共享原始数据的前提下识别客户端相似性、降低通信开销。在 DeepMIMO 无线仿真数据集上，最佳配置比 IFCA 准确率提升 4.8 个百分点；在 FEMNIST 上提升 10.6 个百分点，同时下行数据量相比 IFCA 减少 83.1%。

AI 根据报道生成 · 3 小时前更新

最新进展10月29日 05:56

面向非IID无线网络的通信高效聚类联邦学习框架

报道时间线

沿着报道，了解事件的不同侧面。

10月29日

05:56
arXiv 隐私论文
面向非IID无线网络的通信高效聚类联邦学习框架
针对无线网络中非IID数据导致标准联邦学习性能下降的问题，研究者提出一种聚类联邦学习（CFL）框架，在训练中将客户端分配到专用模型，并用数据域聚类初始化基于模型的聚类，从而在不共享原始数据的前提下识别客户端相似性、降低通信开销。在DeepMIMO无线仿真数据集上，最佳配置比IFCA准确率提升4.8个百分点；在FEMNIST上提升10.6个百分点，同时下行数据量相比IFCA减少83.1%。

本事件热度走势

可比范围当前: 4
可比范围峰值: 410月30日 14:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。